MCP 记忆系统

基于 Model Context Protocol 的个人 AI 长期记忆服务

与 AI 助手长期对话时，上下文窗口会溢出，跨会话的记忆会丢失——这是深度用户的核心痛点。本项目通过 MCP 协议，为 AI 客户端提供一个可读可写的结构化长期记忆库，让对话内容能够沉淀、检索、回溯。

项目背景

现有的 AI 对话产品普遍存在一个问题：每次新开对话，AI 就"忘了"之前聊过什么。

常见的做法是把历史对话全部塞进上下文，但这会迅速耗尽 token 预算。更合理的方案是：把记忆外置，由 AI 在需要时主动检索。

本项目实现的就是这个"外置记忆层"。

Related MCP server: Clark MCP Server

架构

┌─────────────┐      ┌──────────────────┐      ┌─────────────┐
│  AI 客户端   │◄────►│  MCP 服务 (3005) │◄────►│             │
│ (Kelivo等)  │      │  /mcp JSON-RPC   │      │  memories   │
└─────────────┘      └──────────────────┘      │    .json    │
                                               │             │
┌─────────────┐      ┌──────────────────┐      │             │
│  Web 浏览器  │◄────►│  Web 服务 (3004) │◄────►│             │
│  (手机/PC)  │      │  /api/* REST API │      └─────────────┘
└─────────────┘      └──────────────────┘

两个服务共享同一份 memories.json，分别面向 AI 客户端与人类用户。

核心功能

• MCP 协议接入 — 以标准 JSON-RPC 暴露 9 个记忆工具，AI 客户端即插即用

• 多关键词检索 — 空格分隔多个关键词，按命中比例加权打分，并按时间倒序排列

• 标签系统 — 支持打标签、按标签精确检索

• 结果截断 — 检索结果限制条数与单条长度，避免撑爆上下文窗口

• 原子写入 — 临时文件 + rename，避免并发写入导致数据损坏

• 可视化 — 记忆热力图、月度报告、高频词云

MCP 工具列表

检索能力的演进

这个项目的检索层经历过一次明确的迭代，后续仍会继续演进：

为什么记录这个演进过程：检索质量直接决定 AI 能否"记住"，而这正是本项目最核心的问题。从字面匹配走向语义检索，是 RAG 系统绕不开的一步。

技术栈

快速开始

# 1. 安装依赖
npm install

# 2. 准备数据文件（示例数据为虚构内容）
cp memories.example.json memories.json

# 3. 启动 MCP 服务（端口 3005）
node mcp-memory-server.js

# 4. 启动 Web 服务（端口 3004）
node web-server.js

MCP 服务地址：http://localhost:3005/mcp

Web 界面：http://localhost:3004

已知限制

• 检索当前为字面匹配，尚未实现向量语义检索

• 存储为单 JSON 文件，数据量大时检索性能会下降，未引入数据库

• 记忆未做分层（事实 / 事件 / 状态），不同类型记忆的检索策略尚未区分

• Web 服务（3004）的检索逻辑仍是 v1 方案，尚未与 MCP 服务同步

License

MIT